CN117352127A - 一种放射剂量分布的优化方法、系统、装置及存储介质 - Google Patents
一种放射剂量分布的优化方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN117352127A CN117352127A CN202210719193.0A CN202210719193A CN117352127A CN 117352127 A CN117352127 A CN 117352127A CN 202210719193 A CN202210719193 A CN 202210719193A CN 117352127 A CN117352127 A CN 117352127A
- Authority
- CN
- China
- Prior art keywords
- target
- copy
- radiation dose
- dose distribution
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 158
- 238000009826 distribution Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 238000000137 annealing Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000001959 radiotherapy Methods 0.000 claims abstract description 27
- 210000000056 organ Anatomy 0.000 claims description 33
- 238000012216 screening Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000005381 potential energy Methods 0.000 description 8
- 230000002285 radioactive effect Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000002441 reversible effect Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 239000000941 radioactive substance Substances 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- 210000004881 tumor cell Anatomy 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 230000002147 killing effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000920 organ at risk Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 239000012857 radioactive material Substances 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Surgery (AREA)
- Primary Health Care (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Urology & Nephrology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本说明书实施例提供一种放射剂量分布的优化方法、系统、装置及存储介质,该方法包括获取待放疗区域,基于所述待放疗区域确定多个候选靶点;基于所述多个候选靶点的信息确定所述多个候选靶点中每个靶点的放射剂量分布;基于所述多个候选靶点中每个靶点的放射剂量分布,生成多组副本集合;基于量子退火算法对所述多组副本集合进行迭代,获取目标靶点参数。
Description
技术领域
本说明书涉及放射治疗剂量计算领域,特别涉及一种放射剂量分布的优化方法、系统、装置及存储介质。
背景技术
放射治疗是恶性肿瘤的主要治疗手段之一,恶性肿瘤患者需要接受放射治疗,因而促进放射治疗技术的发展,研究如何提高放射治疗的质量有着重要的意义。放射治疗的目的是在杀死肿瘤细胞的同时尽可能少地影响正常细胞,即最大限度的将放射线的剂量集中到病变(靶区)内,杀灭肿瘤细胞,从而使周围正常组织和器官少受或免受不必要的照射。
因此,需要提供一种放射剂量分布的优化方法、系统、装置及存储介质,用于快速确定较为准确的放射治疗的参数。
发明内容
本说明书实施例之一提供一种放射剂量分布的优化方法。所述方法包括:获取待放射区域,基于所述待放射区域确定多个候选靶点;基于所述多个候选靶点的信息确定所述多个候选靶点中每个靶点的放射剂量分布;基于所述多个候选靶点中每个靶点的放射剂量分布,生成多组副本集合;基于量子退火算法对所述多组副本集合进行迭代,获取目标靶点参数。
在一些实施例中,所述基于量子退火算法对所述多组副本集合进行迭代,获取目标靶点参数,可以包括:迭代执行从所述多组副本集合中获取一组待评估副本,基于量子退火算法计算当前副本对应的哈密顿量、所述待评估副本对应的哈密顿量以及当前目标副本对应的哈密顿量,基于所述当前副本对应的哈密顿量、所述待评估副本对应的哈密顿量以及所述当前目标副本对应的哈密顿量,更新所述目标副本,直至循环满足预设条件;基于更新后的所述目标副本得到所述目标靶点参数。
在一些实施例中,所述基于所述多组副本集合以及量子退火算法,迭代得到目标靶点参数,可以包括:通过二元阶跃函数构造所述量子退火算法的哈密顿量。
在一些实施例中,所述基于所述多个候选靶点的信息确定所述多个候选靶点中每一个靶点的放射剂量分布,可以包括:通过蒙特卡洛算法基于所述多个候选靶点的信息确定所述多个候选靶点中每一个靶点的放射剂量分布。
本说明书实施例之一提供一种放射剂量分布的优化系统,所述系统包括:靶点获取模块,用于获取待放射区域,基于所述待放射区域确定多个候选靶点;剂量确定模块,用于基于所述多个候选靶点的信息确定所述多个候选靶点中每一个靶点的放射剂量分布;方案获取模块,用于基于所述多个候选靶点中每一个靶点的放射剂量分布,生成多组副本集合;方案筛选模块,用于基于量子退火算法对所述多组副本集合进行迭代,获取目标靶点参数。
在一些实施例中,所述方案筛选模块还可以用于:迭代执行从所述多组副本集合中获取一组待评估副本,基于量子退火算法计算当前副本对应的哈密顿量、所述待评估副本对应的哈密顿量以及当前目标副本对应的哈密顿量,基于所述当前副本对应哈密顿量、所述待评估副本对应的哈密顿量以及所述当前目标副本对应的哈密顿量,更新所述目标副本,直至循环满足预设条件;基于更新后的所述目标副本得到所述目标靶点参数。
在一些实施例中,所述方案筛选模块还可以用于:通过二元阶跃函数构造所述量子退火算法的哈密顿量;通过量子退火机基于所述多组副本集合以及量子退火算法,迭代得到目标靶点参数。
在一些实施例中,所述剂量确定模块还可以用于:通过蒙特卡洛算法基于所述多个候选靶点的信息确定所述多个候选靶点中每一个靶点的放射剂量分布。
本说明书实施例之一提供一种放射剂量分布的优化装置,包括处理器,所述处理器用于执行放射剂量分布的优化方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行放射剂量分布的优化方法。
在一些实施例中,放射剂量分布的优化方法和系统通过获取待放射区域,基于待放射区域确定多个候选靶点;基于多个候选靶点的信息确定多个候选靶点中每个靶点的放射剂量分布;基于多个候选靶点中每个靶点的放射剂量分布,生成多组副本集合;基于量子退火算法对多组副本集合进行迭代,可以快速确定较为准确的目标靶点参数,可以在提高治疗效果的同时有效减少放射性物质对病人的正常组织的伤害。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的放射剂量分布的优化系统的应用场景示意图;
图2是根据本说明书一些实施例所示的放射剂量分布的优化系统的模块示意图;
图3是根据本说明书一些实施例所示的放射剂量分布的优化方法的示例性流程图;
图4是根据本说明书一些实施例所示的基于多组副本集合以及量子退火算法迭代得到目标靶点参数的示例性流程图;
图5是根据本说明书一些实施例所示的迭代得到目标靶点参数的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的放射剂量分布的优化系统的应用场景100示意图。
在放射治疗中,放射剂量的规划和优化是其中最重要的组成部分。剂量优化方法是剂量规划技术的核心,主要分为正向优化和逆向优化两种。正向剂量优化是指通过人为设置放射源的驻留位置和驻留时间,使剂量场能较好的覆盖靶区,同时减少对周围危及器官损伤的优化方法,正向优化操作效率较低,且依赖医生经验,目前多用于对逆向优化结果的补充。与正向优化相比,逆向剂量优化方法能通过设定靶区处方剂量、危及器官耐受剂量等临床剂量要求,对目标函数进行求解,直接得到放射源的驻留位置及相应的驻留时间。在过去的研究中,医疗人员提出和使用了多种优化算法来进行逆向规划,但如何既快又准地得到计算结果仍然是一个具有挑战性的课题。
如图1所示,在一些实施例中,应用场景100可以包括处理设备110、网络120、用户终端130、存储设备140、图像获取设备150和放射治疗设备160。应用场景100可以通过实施本说明书中披露的方法和/或过程快速且准确地确定放射的目标靶点的位置和目标放射剂量。
处理设备110可以用于处理来自应用场景100的至少一个组件或外部数据源(例如,云数据中心)的数据和/或信息。处理设备110可以通过网络120从用户终端130、存储设备140、图像获取设备150和/或放射治疗设备160访问数据和/或信息。处理设备110可以直接连接用户终端130、存储设备140、图像获取设备150和/或放射治疗设备160以访问信息和/或数据。例如,处理设备110可以从用户终端130、存储设备140和/或图像获取设备150获取用户的医学图像。处理设备110可以对获取的数据和/或信息进行处理。例如,处理设备110可以获取待放射区域,基于待放射区域确定多个候选靶点;基于多个候选靶点的信息确定多个候选靶点中每个靶点的放射剂量分布;基于多个候选靶点中每个靶点的放射剂量分布,生成多组副本集合,其中,每组副本中包含至少一个器官内所有靶点的位置和放射剂量;基于多组副本集合以及量子退火算法,迭代得到目标靶点参数,其中,目标靶点参数包括目标靶点的位置和目标放射剂量。可以理解的,放射治疗设备160基于目标靶点参数对病人进行放射治疗,可以在提高治疗效果的同时有效减少放射性物质对病人的正常组织的伤害。在一些实施例中,处理设备110可以是单个服务器或服务器组。处理设备110可以是本地的、远程的。处理设备110可以在云平台和/或量子退火(Quantum annealing,QA)计算机等设备上实现。
在一些实施例中,处理设备110可以包括量子退火机,量子退火机可以用于基于多组副本集合以及量子退火算法,迭代得到目标靶点参数。
网络120可以包括提供能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景100的一个或多个组件(例如,处理设备110、用户终端130、存储设备140、图像获取设备150和/或放射治疗设备160)之间可以通过网络120交换信息和/或数据。
在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,例如,基站和/或网络交换点,通过这些网络接入点,应用场景100的一个或多个组件可连接到网络120以交换数据和/或信息。
用户终端130指用户所使用的一个或多个终端或软件。在一些实施例中,用户终端130是指医护人员(例如,护工、医生等)使用的终端或软件。在一些实施例中,用户终端130可以包含但不限于智能电话、平板电脑、膝上型计算机、台式计算机等。在一些实施例中,用户终端130可以通过网络120与应用场景100中的其他组件交互。例如,用户终端130可以向处理设备110发送一个或多个控制指令以控制处理设备110基于用户的医学图像确定目标靶点参数。在一些实施例中,用户终端130还可以在待放射区域对应的医学图像上显示目标靶点位置、用颜色深浅表示的每个目标靶点位置对应的目标放射剂量以及各器官的剂量-体积直方图。医护人员在通过用户终端130选定单个目标靶点可以看到更详细的信息,例如,该目标靶点的深度及具体投放剂量数值,从而使得目标靶点参数得到更加清楚地展示,更有助于医护人员获取目标靶点参数,提高基于目标靶点参数进行放射治疗的效率。
存储设备140可以用于存储数据、指令和/或任何其他信息。在一些实施例中,存储设备140可以存储从处理设备110、用户终端130、图像获取设备150和/或放射治疗设备160等获得的数据和/或信息。例如,存储设备140可以存储图像获取设备150获取的用户的医学图像。又例如,存储设备140可以存储训练好的机器学习模型。在一些实施例中,存储设备140可包括大容量存储器、可移除存储器等或其任意组合。
图像获取设备150可以是用于获取用户的医学图像的设备。在一些实施例中,图像获取设备150可以对被测物进行扫描,得到扫描数据和并生成用户的医学图像。被测物可以是检测对象的整体或其中的一部分。检测对象可以包括人体、动物等生物体。作为示例,被测物可以包括器官、组织、病变部位、肿瘤部位或者上述部位的任意组合。具体例如,被测物可以是头部、胸部、腹部、心脏、肝脏、上肢、下肢等,或者上述部位的任意组合。在一些实施例中,图像获取设备150可以是一个设备或一个设备组。具体地,图像获取设备150可以是一个医学成像系统,例如,一个PET(Positron Emission Tomography)设备、一个SPECT(Single Photon Emission Computed Tomography)设备、一个CT(Computed Tomography)设备、一个MRI(Magnetic Resonance Imaging)设备等。进一步地,医学成像系统可以是单独使用,也可以结合使用。例如,一个PETCT设备、一个PETMRI设备或一个SPECTMRI设备等。
在一些实施例中,图像获取设备150可以包括一个扫描仪,扫描仪可以对既定目标进行扫描,并获得与之相关的信息(例如扫描数据)。进一步地,图像获取设备150可以是一个放射性扫描设备。该放射性扫描设备可以包括一个放射性扫描源。放射性扫描源可以向既定目标发射放射性射线。放射性射线可以包括微粒射线、光子射线等中的一种或其组合。微粒射线可以包括中子、质子、电子、μ介质、重离子等中的一种或其组合。光子射线可以包括X射线、γ射线、α射线、β射线、紫外线、激光等中的一种或其组合。作为示例,光子射线可能是X射线,其相应的图像获取设备150则可以是一个CT系统、一个数字式射线成像系统(DR)、一个多模态医学成像系统等其中的一种或多种。进一步地,在一些实施例中,多模态医学成像系统可以包括CTPET系统、SPECTMRI系统等中的一种或多种。
在一些实施例中,图像获取设备150可以包括腔体151、床架152、高压发生器、操作控制计算机设备和图像生成器。腔体151内部可以收容用来产生和检测放射性射线的组件。在一些实施例中,腔体151可以收容辐射发生器154和探测器153。辐射发生器154可以发射放射性射线。放射性射线可以发射到置于腔体151中的物体处,并透过物体被探测器153接收。作为示例,辐射发生器154可以是一个X射线管。X射线管可以发射X射线,该射线透过置于腔体151内部的物体,并被探测器153接收。在一些实施例中,探测器153可以是圆形探测器、方形探测器、或弧形探测器等。弧形探测器的旋转角度可以是在0度到360度之间。在一些实施例中,弧形探测器的旋转角度可以是固定不变的。在一些实施例中,弧形探测器的旋转角度可以根据需要调整。例如,可以根据所需要的图像的分辨率、图像的大小、探测器的灵敏度、探测器的稳定性或其中的一种或者几种的组合,进行调整。在一些实施例中,探测器153可以是一维探测器、二维探测器、或三维探测器。
床架152可以支撑检测对象(例如,待检测的病人)。在一些实施例中,床架152可以在检测过程中在腔体151内部移动。根据检测的需要,病人可以仰卧、俯卧、头部在前或脚部在前。在一些实施例中,床架152可以以恒定的速度在腔体151内部移动。床架152移动的速度可以和扫描时间、扫描区域等因素相关。在一些实施例中,床架152移动的速度可以是系统默认值,也可以由用户设定。
高压发生器可以产生高压或者强电流。在一些实施例中,所产生的高压或强电流可以传输至辐射发生器154。所产生的高压可以是80kV至140kV、75Kv至150kV或120kV至140kV。所产生的电流可以是20mA至500mA。
操作控制计算机设备可以与腔体151、辐射发生器154、探测器153、高压发生器、床架152和/或图像生成器相关联。上述设备之间可以通过直接或者间接的方式相连接。在一些实施例中,操作控制计算机设备可以控制腔体151旋转至某一位置。该位置可以是系统默认值,也可以由用户(例如医生、护士等)设定。在一些实施例中,操作控制计算机设备可以控制高压发生器。例如,操作控制计算机设备可以控制高压发生器产生的电压或电流的强度。
图像生成器可以生成图像。在一些实施例中,图像生成器可以进行图像预处理、图像重建、和/或感兴趣区域提取等操作,以生成用户的医学图像。图像生成器可以和探测器153、操作控制计算机设备和/或外部数据源(图中未体现)相关联。在一些实施例中,图像生成器可以从探测器153或者外部数据源接收数据,并基于所接收的数据生成用户的医学图像。外部数据源可以是硬盘、软盘、随机存储器(Random Access Memory,RAM)、动态随机存储器(Dynamic Random Access Memory,DRAM)、静态随机存储器(Static Random AccessMemory,SRAM)、磁泡存储器(bubble memory)、薄膜存储器(thin film memory)、磁镀线存储器(magnetic plated wire memory)、相变存储器(phase change memory)、闪速存储器(flash memory)、云盘(a cloud disk)等中的一种或多种。
放射治疗设备160是可以用于放射治疗的设备。在一些实施例中,放射治疗设备160可以至少包括放射治疗装置及治疗床161,放射治疗装置可以包括用于加速电子、离子或质子的直线加速器(LINAC)。放射治疗装置可以包括机架162、治疗头163、底座164及治疗臂(图中未示出)。治疗头163可由治疗臂安装在机架162上。机架162可由底座164支撑。治疗头163可以配置为发射辐射束。具体的,治疗头163可以包括发射辐射束的放射源。辐射束可以是X射线束、电子束、伽马射线源、质子射线源等。例如,辐射束可以是X射线。在一些实施例中,治疗床161可以包括用于支撑患者的床板和基座。在一些实施例中,治疗床161也可以包括用于调节患者位置的患者摆位系统,从而确保患者治疗区域(例如:肿瘤)可以接收来自治疗头163的治疗射线。在一些实施例中,放射治疗设备160可以从处理设备110接收目标靶点参数,根据目标靶点参数对患者进行放射治疗。
应当注意应用场景100仅仅是为了说明的目的而提供的,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,应用场景100还可以包括数据库。然而,这些变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的放射剂量分布的优化系统200的示例性框图。
如图2所示,放射剂量分布的优化系统200可以包括靶点获取模块210、剂量确定模块220、方案获取模块230及方案筛选模块240。在一些实施例中,放射剂量分布的优化系统200还可以包括训练数据生成模块。
靶点获取模块210可以用于获取待放射区域,基于待放射区域确定多个候选靶点。
剂量确定模块220可以用于基于多个候选靶点的信息确定多个候选靶点中每一个靶点的放射剂量分布。在一些实施例中,剂量确定模块220还可以用于:通过蒙特卡洛算法基于多个候选靶点的信息确定多个候选靶点中每一个靶点的放射剂量分布。
方案获取模块230可以用于基于多个候选靶点中每一个靶点的放射剂量分布,生成多组副本集合,其中,每组副本中包含至少一个器官内所有靶点的位置和初始放射剂量。
方案筛选模块240可以用于基于多组副本集合以及量子退火算法,迭代得到目标靶点参数。在一些实施例中,目标靶点参数包括目标靶点的位置和目标放射剂量。
在一些实施例中,方案筛选模块240还可以用于迭代执行从多组副本集合中获取一组待评估副本,基于量子退火算法计算当前副本对应的哈密顿量、待评估副本对应的哈密顿量以及当前目标副本对应的哈密顿量,基于当前副本对应的哈密顿量、待评估副本对应的哈密顿量以及当前目标副本对应的哈密顿量,更新目标副本,直至循环满足预设条件;基于更新后的目标副本得到目标靶点参数。
在一些实施例中,方案筛选模块240还可以通过二元阶跃函数构造量子退火算法的哈密顿量;通过量子退火机基于多组副本集合以及量子退火算法,迭代得到目标靶点参数。
关于靶点获取模块210、剂量确定模块220、方案获取模块230及方案筛选模块240的更多描述可以参见图3及其相关描述,此处不再赘述。
需要注意的是,以上对于候选项显示、确定系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图1中披露的靶点获取模块、剂量确定模块、方案获取模块及方案筛选模块可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的放射剂量分布的优化方法300的示例性流程图。如图3所示,流程300包括下述步骤。在一些实施例中,流程300可以由处理设备110或放射剂量分布的优化系统200执行。
步骤310,获取待放射区域,基于待放射区域确定多个候选靶点。在一些实施例中,步骤310可以由靶点获取模块210执行。
待放射区域可以为被测物中需要进行放射治疗的区域,例如,一个或多个器官等。关于被测物的更多描述可以参见图1及其相关描述,此处不再赘述。
在一些实施例中,靶点获取模块210可以通过任意可行的方法获取待放射区域。例如,可以通过医护人员(例如,专家、医生等)基于医学图像确定待放射区域,其中,医学图像可以为通过医学成像设备获取的包括被测物的图像。医学图像的格式可以为JointPhotographic Experts Group(JPEG)、Tagged Image File Format(TIFF)、GraphicsInterchange Format(GIF)、Digital Imaging and Communications in Medicine(DICOM)等。用户的血管图像可以是二维(2D,two-dimensional)图像或三维(3D,three-dimensional)图像,关于通过医学成像设备获取医学图像的更多描述可以参见图1及其相关描述,此处不再赘述。示例地,医生可以手动确定医学图像中包含需要进行放射治疗的至少一个器官的区域,作为待放射区域。
又例如,靶点获取模块210可以区域确定模型基于医学图像获取待放射区域,其中,区域确定模型为用于确定待放射区域的机器学习模型,区域确定模型的输入可以为医学图像,区域确定模型的输出可以为待放射区域,区域确定模型可以包括卷积神经网络(CNN)、循环神经网络(RNN)、多层神经网络(MLP)、对抗神经网络(GAN)等一种或多种的组合。在一些实施例中,靶点获取模块210可以通过多组训练样本可以更新初始区域确定模型的参数,得到训练好的区域确定模型,其中,训练样本可以包括样本医学图像,训练样本的标签为样本医学图像对应的待放射区域。
在一些实施例中,利用机器学习算法训练生成区域确定模型,可以挖掘各种维度的数据(例如,医学图像、待放射治疗区域等)之间的关系,提高获得的待放射区域的准确性的同时,可以更加快速确定待放射治疗区域。
候选靶点可以为待放射区域中照射放射线(例如,放射性同位素产生的α、β、γ射线和各类x射线治疗机或加速器产生的x射线、电子线、质子束及其他粒子束等)的位置。
在一些实施例中,靶点获取模块210可以通过任意可行的方法确定候选靶点。例如,可以通过医护人员(例如,专家、医生等)从待放射区域中确定多个候选靶点。
又例如,靶点获取模块210可以通过靶点确定模型基于待放射区域确定多个候选靶点,其中,靶点确定模型为用于确定待放射区域的机器学习模型,靶点确定模型的输入可以为待放射区域,靶点确定模型的输出可以为多个候选靶点,靶点确定模型可以包括卷积神经网络(CNN)、循环神经网络(RNN)、多层神经网络(MLP)、对抗神经网络(GAN)等一种或多种的组合。在一些实施例中,靶点获取模块210可以通过多组训练样本可以更新初始靶点确定模型的参数,得到训练好的靶点确定模型,其中,训练样本可以包括样本待放射区域,训练样本的标签为样本待放射区域对应的多个候选靶点。
步骤320,基于多个候选靶点的信息确定多个候选靶点中每个靶点的放射剂量分布。在一些实施例中,步骤320可以由剂量确定模块220执行。
放射剂量分布可以为每个靶点的放射剂量的可能值的集合。可以理解的,不同位置的靶点,其对应的放射剂量分布可以不同。例如,对于位于肺部的靶点A,其对应的放射剂量分布可以为10Gy~20Gy,对于位于胃部的靶点B,其对应的放射剂量分布可以为30Gy~40Gy。可以理解的,位于同一器官上的两个靶点,其对应的放射剂量分布也可以不同。
候选靶点的信息可以为与候选靶点相关的信息。在一些实施例中,候选靶点的信息可以为与候选靶点自身相关的信息,例如,候选靶点的位置、候选靶点所属器官等。候选靶点的信息还可以包括与患者病情相关的信息,例如,肿瘤位置、肿瘤体积等。候选靶点的信息还可以包括其他信息,例如,患者年龄、性别、病史等。
在一些实施例中,剂量确定模块220可以通过任意可行的方法基于多个候选靶点的信息确定多个候选靶点中每个靶点的放射剂量分布。例如,剂量确定模块220可以通过医护人员(例如,专家、医生等)基于多个候选靶点的信息确定多个候选靶点中每个靶点的放射剂量分布。
又例如,剂量确定模块220可以通过剂量确定模型基于多个候选靶点的信息确定多个候选靶点中每个靶点的放射剂量分布,其中,靶点确定模型为用于确定多个候选靶点中每个靶点的放射剂量分布的机器学习模型,剂量确定模型的输入可以为多个候选靶点的信息,剂量确定模型输出可以为多个候选靶点中每个靶点的放射剂量分布,剂量确定模型的结构及训练与靶点确定模型相似,关于剂量确定模型的更多描述可以参见靶点确定模型的相关描述,其中,用于训练剂量确定模型的训练样本可以包括样本待放射区域对应的多个候选靶点的信息,训练样本的标签为样本待放射区域对应的多个候选靶点中每个靶点的放射剂量分布。
在一些实施例中,剂量确定模块220可以通过蒙特卡洛算法基于多个候选靶点的信息确定多个候选靶点中每一个靶点的放射剂量分布。蒙特卡洛算法(即,蒙特·卡罗方法(Monte Carlo method)),也称统计模拟方法,是指使用随机数(或更常见的伪随机数)来解决很多计算问题的方法。例如,剂量确定模块220可以通过蒙特卡洛模拟器Geant4基于多个候选靶点的信息确定多个候选靶点中每一个靶点的放射剂量分布。Geant4(GEometry ANdTracking,几何和跟踪)是由CERN(欧洲核子研究组织)基于C++面向对象技术开发的蒙特卡罗应用软件包,用于模拟粒子在物质中输运的物理过程。蒙特卡洛模拟器Geant4可以采用基于CPU或GPU的普通版或加速版。
在一些实施例中,通过蒙特卡洛算法可以快速确定多个候选靶点中每一个靶点的放射剂量分布,有效减少确定目标靶点参数所需时间。
步骤330,基于多个候选靶点中每个靶点的放射剂量分布,生成多组副本集合。在一些实施例中,步骤330可以由方案获取模块230执行。
副本可以表征一个放射方案,其可以包括多个候选靶点及每个候选靶点对应的放射剂量。在一些实施例中,一个副本包括的候选靶点的总数可以小于或等于候选靶点的总数。例如,靶点获取模块210确定的多个候选靶点可以包括候选靶点x1、候选靶点x2、候选靶点x3、候选靶点x4及候选靶点x5,副本A包括的放射靶点可以包括:候选靶点x1、候选靶点x2、候选靶点x3。可以理解的,每个放射靶点对应的放射剂量为该靶点对应的放射剂量分布中的一个值。例如,副本A包括候选靶点x1,候选靶点x1对应的放射剂量分布可以为10Gy~20Gy,在副本A中,候选靶点x1的放射剂量可以为11Gy。
在一些实施例中,方案获取模块230生成每一个副本时,可以先从靶点获取模块210确定的多个候选靶点选择该副本包括的多个候选靶点。在一些实施例中,一个副本包括的候选靶点的总数可以小于或等于候选靶点的总数。例如,靶点获取模块210确定的多个候选靶点可以包括候选靶点x1、候选靶点x2、候选靶点x3、候选靶点x4及候选靶点x5,副本A包括的放射靶点可以包括:候选靶点x1、候选靶点x2、候选靶点x3。方案获取模块230可以通过任意可行的方式确定每个副本包括的多个候选靶点,例如,通过随机的方式的确定每个副本包括的多个候选靶点,又例如,通过人工确定每个副本包括的多个候选靶点。
在一些实施例中,对于每一个副本,方案获取模块230可以根据该副本包括的多个候选靶点中每个靶点对应的放射剂量分布,确定该副本包括的每个候选靶点的放射剂量。可以理解的,每个放射靶点对应的放射剂量为该靶点对应的放射剂量分布中的一个值。例如,副本A包括候选靶点x1,候选靶点x1对应的放射剂量分布可以为10Gy~20Gy,在副本A中,候选靶点x1的放射剂量可以为11Gy。方案获取模块230可以通过任意可行的方式确定该副本包括的每个候选靶点的放射剂量,例如,从每个候选靶点对应的放射剂量分布中随机选择一个值作为该候选靶点的放射剂量,又例如,通过人工确定副本包括的每个候选靶点的放射剂量。
可以理解的,不同副本包括的多个候选靶点可以相同,若存在两个副本包括的多个候选靶点相同,则存在至少一个候选靶点在该两个副本中的放射剂量不同。
步骤340,基于量子退火算法对所述多组副本集合进行迭代,获取目标靶点参数。在一些实施例中,步骤340可以由方案筛选模块240执行。
目标靶点参数可以为多组副本中的目标副本对应的放射参数。目标靶点参数可以包括目标靶点的位置和目标放射剂量,其中,目标靶点的位置为该目标副本包括的多个候选靶点的位置,目标放射剂量为该目标副本中每个目标靶点对应的最优放射剂量。
在一些实施例中,多组副本中存在某个副本可以更多地将放射线的剂量集中到病变内,杀灭肿瘤细胞,从而使周围正常组织和器官少受或免受不必要的照射时,该副本可以被认为是多组副本中的目标副本。
在一些实施例中,方案筛选模块240可以通过量子退火算法根据多组副本集合找到给定目标函数的全局最小值,并将全局最小值对应的副本作为多组副本中目标副本,基于该目标副本包括的多个候选靶点确定得到目标靶点参数。
如图4所示,在一些实施例中,方案筛选模块240基于多组副本集合以及量子退火算法,迭代得到目标靶点参数,可以包括:迭代执行从多组副本集合中获取一组待评估副本,基于量子退火算法计算当前副本对应的哈密顿量、待评估副本对应的哈密顿量以及当前目标副本对应的哈密顿量,基于当前副本对应的哈密顿量、待评估副本对应的哈密顿量以及当前目标副本对应的哈密顿量,更新目标副本,直至循环满足预设条件;基于更新后的目标副本得到目标靶点参数。
在一些实施例中,副本对应的哈密顿量可以由势能和动能组成,其中,将待优化的目标函数映射为施加在该量子系统的一个势场,即将待优化的目标函数看作是量子系统的哈密顿量的势能;动能可以表征对该量子系统的幅度可控的扰动。
在一些实施例中,在进行迭代前,方案筛选模块240可以先确定初始的当前副本和初始的目标副本。在一些实施例中,方案筛选模块240可以从用户终端130、存储设备140、图像获取设备150和/或外部数据源获取初始的当前副本和初始的目标副本。在一些实施例中,方案筛选模块240可以从多组副本中获取一组副本作为初始的目标副本,还可以从多组副本中获取一组副本作为初始的当前副本。在一些实施例中,初始的当前副本和初始的目标副本可以对应多组副本中的同一副本。
在一些实施例中,预设条件可以为迭代次数达到预设次数、当前目标副本对应的哈密顿量小于预设哈密顿量等中的至少一个。
在一些实施例中,方案筛选模块240可以基于以下公式(1)计算哈密顿量:
H=Hp-JTHK (1)
其中,Hp可以表征势能;JT代表横向磁场耦合系数,JT可以为大于零的常数;HK可以表征动能,HK可以由一个随迭代次数线性变化的函数或描述热平衡状态的函数构成。
在一些实施例中,方案筛选模块240可以基于以下公式(2)计算势能:
其中,M为待放射区域包括的器官的总数;wj为第j个器官的权重,Vij为第i组副本中第j个器官在该组副本接受的放射剂量,VjH为第j个器官的放射剂量上限,VjL为第j个器官的放射剂量下限。
在一些实施例中,对于每一组副本,方案筛选模块240可以基于该副本中每一个器官中的靶点的放射剂量确定该器官在该组副本的接受的放射剂量。例如,对于每一组副本,方案筛选模块240可以基于该副本中每一个器官中的靶点的放射剂量之和确定该器官在该组副本接受的放射剂量。示例地,在副本A中,位于肺部的靶点包括候选靶点x1、候选靶点x2及候选靶点x3,其中,候选靶点x1的放射剂量为10Gy,候选靶点x2的放射剂量为12Gy,候选靶点x3的放射剂量为11Gy,则肺部在副本A接受的放射剂量为(10+12+11)=33Gy。
在一些实施例中,方案筛选模块240还可以直接基于蒙特卡洛算法生成每个器官在每组副本接受的放射剂量。通过蒙特卡洛算法,可以快速地生成每个器官在每组副本接受的放射剂量。
在一些实施例中,方案筛选模块240可以从用户终端130、存储设备140、图像获取设备150和/或外部数据源获取每个器官的放射剂量上限、放射剂量下限及权重。
在一些实施例中,θ(x)为一个二元阶跃函数,可以用于表征器官接受的放射剂量是否合适范围内,其取值可以如下:
/>
可以理解的,当(Vij-VjH)≥0时,θVij-VjH)的值为1;当(Vij-VjH)<0时,θ(Vij-VjH)的值为0。当(VjL-Vij)≥0时,θ(VjL-Vij)的值为1;当(VjL-Vij)<0时,θ(VjL-Vij)的值为0。
由公式(2)和公式(3)可知,当Vij小于上限值VjH且大于下限值VjL时,Hp最小,这样在迭代中随着Hp逐步变小意味着该器官的接受剂量趋于合理范围,即可得到目标靶点参数。
在一些实施例中,通过二元阶跃函数构造量子退火算法的哈密顿量,使得量子退火算法可以被实现在量子退火机上,通过量子退火机可以进一步缩短迭代所需时间,更快得到目标靶点参数。
在一些实施例中,方案筛选模块240还可以通过其他方式构建量子退火算法的哈密顿量,以使得量子退火算法可以被实现在量子退火机上。例如,方案筛选模块240可以通过最小绝对值偏差或最小平方误差构建哈密顿量的势能项。又例如,方案筛选模块240可以通过线性单调下降函数构建哈密顿量的动能项
在一些实施例中,方案筛选模块240可以基于以下公式(4)计算动能:
其中,N为副本总组数,Vi+1j为第i+1组副本中第j个器官在该组副本接受的放射剂量。由公式(2)可知,当(Vi+1,j-VjH)≥0时,θ(Vi+1,j-VjH)的值为1;当(Vi+1,j-VjH)<0时,θ(Vi+1,j-VjH)的值为0。当(VjL-Vi+1,j)≥0时,θ(VjL-Vij)的值为1;当(VjL-Vi+1,j)<0时,θ(VjL-Vij)的值为0。
由公式(4)可知,Hk描述了N组副本循环迭代过程中的相互作用,使得结果可有概率跳出局部最优解。其通过循环N个副本,对相邻副本之间相同器官的θ(x)进行乘积求和来计算的,相邻副本之间越趋于一致,即Hk中N个副本相同位置为1的位置数量越多,那么Hk值就越大。
由公式(1)-(4)可知,JT>0,随着优化的进行整个量子系统趋于Vij小于上限值VjH且大于下限值VjL,导致哈密顿量H在迭代中趋向变小,最终使得势能Hp取得最小值的全局最优解,从而得到目标靶点参数。
方案筛选模块240可以基于公式(1)-(4)计算当前副本对应的哈密顿量、待评估副本对应的哈密顿量以及当前目标副本对应的哈密顿量。参照图5,在一些实施例中,基于当前副本对应的哈密顿量、待评估副本对应的哈密顿量以及当前目标副本对应的哈密顿量,更新目标副本,可以包括:
步骤510,初始化外循环迭代次数t=1,设置外循环最大迭代次数Mt;
步骤520,初始化内循环迭代参数i=j=1;
步骤530,从多组副本集合中获取一组待评估副本;
步骤540,计算待评估副本对应的哈密顿量,判断H(s′i)-H(si)≤0或Hp(s′i)-Hp(si)≤0是否成立,其中,H(si′)为待评估副本对应的哈密顿量,H(si)为当前副本对应的哈密顿量,Hp(s′i)为待评估副本对应的哈密顿量的势能,Hp(si)为当前副本对应的哈密顿量的势能,若H(s′i)-H(si)≤0或Hp(s′i)-Hp(si)≤0成立,将当前副本更新为该待评估副本,执行步骤550;在一些实施例中,为了避免陷入局部最优,当H(s′i)-H(si)≤0或Hp(s′i)-Hp(si)≤0成立时,可以根据概率exp(H(si)-H(s′i))接受判断是否将当前副本更新为该待评估副本,例如,当H(s′i)-H(si)≤0或Hp(s′i)-Hp(si)≤0成立时,可以生成一个随机数,若随机数大于exp(H(si)-H)s′i)),将当前副本更新为该待评估副本后执行步骤550,若随机数小于exp(H(si)-H(s′i)),直接执行步骤530;若H(s′i)-H(si)≤0或Hp(s′i)-Hp(si)≤0不成立,则执行步骤530;
步骤550,判断H(s′i)-H(sbest)≤0是否成立,若H(s′i)-H(sbest)≤0成立,将当前目标副本更新为该待评估副本后执行步骤560,若H(s′i)-H(sbest)≤0不成立,直接执行步骤560;
步骤560,判断当前内循环迭代次数i是否满足i≤N,其中,N为副本总组数,若当前内循环迭代次数i不满足i≤N,执行步骤570,若当前内循环迭代次数i满足i≤N,则令i=i+1,执行步骤530;
步骤570,判断外循环迭代次数t是否满足t≤Mt,若外循环迭代次数t不满足t≤Mt,执行步骤580,若外循环迭代次数t满足t≤Mt,则令t=t+1,执行步骤520;
步骤580,基于当前目标副本得到目标靶点参数。
在一些实施例中,通过执行步骤510-步骤580,迭代中Hp逐步变小,使得最终确定的目标靶点参数对应的该器官的接受剂量趋于合理范围,提高治疗效果的同时有效减少放射性物质对病人的正常组织的伤害。
在一些实施例中,方案筛选模块240可以先通过二元阶跃函数构造量子退火算法的哈密顿量,例如,如公式(1)-(4)所示,方案筛选模块240可以通过二元阶跃函数构造哈密顿量的势能Hp及动能HK。在一些实施例中,方案筛选模块240可以通过量子退火机基于多组副本集合以及基于二元阶跃函数构造哈密顿量后的量子退火算法,迭代得到目标靶点参数,其中,量子退火机,即量子退火(Quantum annealing,QA)计算机。
在一些实施例中,关于量子退火机基于多组副本集合以及量子退火算法,迭代得到目标靶点参数的流程可以参见图4、图5相关描述,此处不再赘述。
在一些实施例中,量子退火机是指利用量子力学原理进行运算的计算机,相比于其他计算机,具备更加强大地计算能力,通过二元阶跃函数构造量子退火算法的哈密顿量,使得量子退火算法可以被实现在量子退火机上,通过量子退火机可以进一步缩短迭代所需时间,更快得到目标靶点参数。
在一些实施例中,通过迭代执行从多组副本集合中获取一组待评估副本,基于量子退火算法计算当前副本对应的哈密顿量、待评估副本对应的哈密顿量以及当前目标副本对应的哈密顿量,基于当前副本对应的哈密顿量、待评估副本对应的哈密顿量以及当前目标副本对应的哈密顿量,更新目标副本,直至循环满足预设条件,可以快速且准确地获取目标副本,得到目标靶点参数,使得放射治疗过程中病人地病灶器官内的剂量-体积比在合理范围内,从而在保证疗效的同时对正常组织的杀伤降到最小。
在一些实施例中,放射剂量分布的优化方法通过获取待放射区域,基于待放射区域确定多个候选靶点;基于多个候选靶点的信息确定多个候选靶点中每个靶点的放射剂量分布;基于多个候选靶点中每个靶点的放射剂量分布,生成多组副本集合,其中,每组副本中包含至少一个器官内所有靶点的位置和放射剂量;基于多组副本集合以及量子退火算法,迭代得到目标靶点参数,其中,目标靶点参数包括目标靶点的位置和目标放射剂量,可以快速确定较为准确的目标靶点参数,可以在提高治疗效果的同时有效减少放射性物质对病人的正常组织的伤害。
本说明书实施例之一提供一种放射剂量分布的优化装置,所述装置包括至少一个处理器以及至少一个存储器,所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现放射剂量分布的优化方法。所述方法可以包括:获取待放射区域,基于所述待放射区域确定多个候选靶点;基于所述多个候选靶点的信息确定所述多个候选靶点中每个靶点的放射剂量分布;基于所述多个候选靶点中每个靶点的放射剂量分布,生成多组副本集合,其中,每组副本中包含至少一个器官内所有靶点的位置和放射剂量;基于所述多组副本集合以及量子退火算法,迭代得到目标靶点参数。关于放射剂量分布的优化方法的更多描述可以参见图3至图5及其相关描述,此处不再赘述。
处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制用于确定血流特性的装置中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器可以运行所述程序指令,以实现上文所述的各个实施例的方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一些实施例中,所述装置还可以包括其他组件,例如总线、输入/输出接口及显示器等的组件。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行放射剂量分布的优化方法。所述方法可以包括:获取待放射区域,基于所述待放射区域确定多个候选靶点;基于所述多个候选靶点的信息确定所述多个候选靶点中每个靶点的放射剂量分布;基于所述多个候选靶点中每个靶点的放射剂量分布,生成多组副本集合,其中,每组副本中包含至少一个器官内所有靶点的位置和放射剂量;基于所述多组副本集合以及量子退火算法,迭代得到目标靶点参数。关于放射剂量分布的优化方法的更多描述可以参见图3至图5及其相关描述,此处不再赘述。
在一些实施例中,可读存储介质可以包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意组合。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种放射剂量分布的优化方法,包括:
获取待放疗区域,基于所述待放疗区域确定多个候选靶点;
基于所述多个候选靶点的信息确定所述多个候选靶点中每个靶点的放射剂量分布;
基于所述多个候选靶点中每个靶点的放射剂量分布,生成多组副本集合;
基于量子退火算法对所述多组副本集合进行迭代,获取目标靶点参数。
2.如权利要求1所述的方法,所述基于量子退火算法对所述多组副本集合进行迭代,获取目标靶点参数,包括:
迭代执行从所述多组副本集合中获取一组待评估副本,基于量子退火算法计算当前副本对应的哈密顿量、所述待评估副本对应的哈密顿量以及当前目标副本对应的哈密顿量,基于所述当前副本对应的哈密顿量、所述待评估副本对应的哈密顿量以及所述当前目标副本对应的哈密顿量,更新所述目标副本,直至循环满足预设条件;
基于更新后的所述目标副本得到所述目标靶点参数。
3.如权利要求1或2所述的方法,所述基于所述多组副本集合以及量子退火算法,迭代得到目标靶点参数,包括:
通过二元阶跃函数构造所述量子退火算法的哈密顿量。
4.如权利要求1所述的方法,所述基于所述多个候选靶点的信息确定所述多个候选靶点中每一个靶点的放射剂量分布,包括:
通过蒙特卡洛算法基于所述多个候选靶点的信息确定所述多个候选靶点中每一个靶点的放射剂量分布。
5.一种放射剂量分布的优化系统,包括;
靶点获取模块,用于获取待放疗区域,基于所述待放疗区域确定多个候选靶点;
剂量确定模块,用于基于所述多个候选靶点的信息确定所述多个候选靶点中每一个靶点的放射剂量分布;
方案获取模块,用于基于所述多个候选靶点中每一个靶点的放射剂量分布,生成多组副本集合,其中,每组副本中包含至少一个器官内所有靶点的位置和初始放射剂量;
方案筛选模块,用于基于量子退火算法对所述多组副本集合进行迭代,获取目标靶点参数。
6.如权利要求5所述的系统,所述方案筛选模块还用于:
迭代执行从所述多组副本集合中获取一组待评估副本,基于量子退火算法计算当前副本对应的哈密顿量、所述待评估副本对应的哈密顿量以及当前目标副本对应的哈密顿量,基于所述当前副本对应的哈密顿量、所述待评估副本对应的哈密顿量以及所述当前目标副本对应的哈密顿量,更新所述目标副本,直至循环满足预设条件;
基于更新后的所述目标副本得到所述目标靶点参数。
7.如权利要求5所述的系统,所述方案筛选模块还用于:
通过二元阶跃函数构造所述量子退火算法的哈密顿量。
8.如权利要求5所述的系统,所述剂量确定模块还用于:
通过蒙特卡洛算法基于所述多个候选靶点的信息确定所述多个候选靶点中每一个靶点的放射剂量分布。
9.一种放射剂量分布的优化装置,包括处理器,所述处理器用于执行权利要求1~4中任一项所述的放射剂量分布的优化方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~4中任一项所述的放射剂量分布的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210719193.0A CN117352127A (zh) | 2022-06-23 | 2022-06-23 | 一种放射剂量分布的优化方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210719193.0A CN117352127A (zh) | 2022-06-23 | 2022-06-23 | 一种放射剂量分布的优化方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117352127A true CN117352127A (zh) | 2024-01-05 |
Family
ID=89365450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210719193.0A Pending CN117352127A (zh) | 2022-06-23 | 2022-06-23 | 一种放射剂量分布的优化方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117352127A (zh) |
-
2022
- 2022-06-23 CN CN202210719193.0A patent/CN117352127A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240075315A1 (en) | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions | |
CN109069858B (zh) | 一种放射治疗系统及计算机可读存储装置 | |
JP6895019B2 (ja) | ディープ畳み込みニューラルネットワークを用いたビームモデルパラメータの決定 | |
CN104812442B (zh) | 用于放射疗法的质量保证的系统、设备和方法 | |
US20220133258A1 (en) | Systems, methods, devices and storage mediums for obtaining a radiographic image | |
AU2018266458B2 (en) | Systems and methods of accounting for shape change during radiotherapy | |
EP3902599B1 (en) | Automated detection of lung conditions for monitoring thoracic patients undergoing external beam radiation therapy | |
CN114010963B (zh) | 剂量确定的系统、方法及计算机可读存储介质 | |
US11915346B2 (en) | Iterative image reconstruction | |
CN112085766A (zh) | 用于对运动对象成像的系统和方法 | |
CN116864051A (zh) | 一种剂量预测方法、系统、装置及存储介质 | |
CN117352127A (zh) | 一种放射剂量分布的优化方法、系统、装置及存储介质 | |
US11278743B1 (en) | Selecting imaging perspectives to optimize tracking volume detectability and model quality | |
Akhlaghi et al. | Evaluation of dose conversion coefficients for an eight-year-old Iranian male phantom undergoing computed tomography | |
US20230218926A1 (en) | Bed calculation with isotoxic planning | |
US20230372739A1 (en) | Techniques for detecting movement during radiotherapy treatment | |
Yin et al. | Physical dosimetric reconstruction of a case of large area back skin injury due to overexposure in an interventional procedure | |
Dillon et al. | X-ray source arrays for volumetric imaging during radiotherapy treatment | |
Heikkilä | Dosimetric Effects of Patient Rotations in Treatment of Breast Cancer Using Volumetric Modulated Arc Therapy | |
Stratakis et al. | Deliverable D2. 4-Software tool on personalised dosimetry in photon-based radiation therapy imaging and deep learning-guided algorithms | |
CN117766121A (zh) | 医学图像处理方法、装置以及系统 | |
Lawless et al. | SU-A-FS2-00 | |
CN116897069A (zh) | 摆位方法、装置、放疗设备以及存储介质 | |
CN118059397A (zh) | 放疗剂量确定系统 | |
Stratakis et al. | Deliverable D2. 1-Software tool on personalised dosimetry in radiological imaging and deep-learning guided algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |